Pengembangan Active Shape Model Untuk Ekstraksi Multipel Fitur Sketsa Wajah

SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT’S EDUCATIONS 2009

Pengembangan Active Shape Model Untuk Ekstraksi Multipel Fitur Sketsa Wajah (1,2)

(1)

(1)

Arif Muntasa , Mochamad Hariadi , Mauridhi Hery Purnomo 1) Electrical Engineering Department, Sepuluh Nopember Institut Of Technology, Surabaya – Indonesia 2) Informatics Engineering Department , Trunojoyo University – Bangkalan - Indonesia. Email : [email protected], (mochar,hery)@ee.its.ac.id Abstract : Pada penelitian ini, penulis mengusulkan ekstraksi multiple fitur sketsa wajah halftone menggunakan pendekatan formulasi baru, yaitu pergerakan shape berdasarkan gradien garis maksimal untuk mendeteksi mulipel fitur sketsa wajah. Usulan dari metode deteksi multiple fitur mempunyai 5 tahapan penting. Pertama adalah tahap pelatihan. Kedua, pembentukan indikator tepi citra menggunakan turunan kedua. Ketiga, inisialisasi shape sebelum digerakkan. Keempat, melakukan deteksi multiple fitur berdasarkan total gradien garis maksima. Kelima, melakukan diskripsi fitur secara geometris. Pada tahap pelatihan merupakan proses untuk menentukan ratarata landmark semua data pelatihan dan rata-rata variansi landmark. Inisialisasi shape dilakukan dengan menjumlahkan rata-rata variansi landmark dan rata-rata landmark semua data pelatihan. Pembentukan indikator tepi citra digunakan untuk memperjelas perbedaan antara tepi objek. Pada tahap deteksi multiple fitur, dimulai dengan mencari nilai total gradien garis maksimal. Nilai rotasi, skala dan rata-rata variansi landmark tiap data citra pelatihan dari total gradien garis maksimal digunakan untuk menggerakkan shape secara simultan menggunakan persamaan Similarity Transformation. Tahap ekstraksi multipel fitur, dilakukan dengan menghitung jarak antara landmark untuk mendiskripsikan objek secara geometris. Sebanyak 50 data halftone telah diuji menggunakan 7 fitur dengan 38 landmark. Hasil percobaan menunjukkan bahwa rata-rata tingkat akurasi kebenaran deteksinya sebesar 85.47%. Keywords : Deteksi Multipel Fitur, Ekstraksi Multipel Fitur, Sketsa Wajah Halftone, Gradien Garis. Pergerakan Shape Secara Simultan 1. Introduction Penelitian tentang interpretasi citra wajah telah dilakukan oleh banyak peneliti, namun data pelatihan dan tes mempunyai model yang sama, yaitu berupa data digital yang diambil langsung dari objek yang akan diteliti [1-5]. Sedangkan penelitian yang data ujinya menggunakan sketsa telah dilakukan oleh Xiaoou Tang and Xiaogang Wang “Face Sketch Synthesis and Recognition” [15] dan “Face Sketch Recognition” [16]. Hal ini menunjukkan bahwa penelitian tentang interpretasi sketsa wajah masih sedikit. Sampel data uji yang digunakan pada penelitian [15,16] menggunakan model halftone [17], yaitu sketsa digambar dengan memanfaatkan efek gradasi dari gelap ke terang untuk tercapai plastisitas yang dikehendaki. Sebelum mendeteksi fitur, data pelatihan dalam bentuk foto ditransformasi menjadi mirip sketsa menggunakan eigentransform, sehingga perbedaan antara citra foto dan sketsa dapat dikurangi, sepeti terlihat pada Gambar 1 [15,16]. Dari gambar 1 dapat dilihat hasil transformasi citra foto menggunakan eigentransform mendekati halftone face sketch, ini artinya metode tersebut tidak dapat bekerja dengan baik, jika tanpa ada penyetaraan citra dari foto menjadi sketsa terlebih dahulu melalui eigentransform, karena jarak antara citra sketsa dan foto satu orang lebih besar dibandingkan dengan jarak antar foto seseorang dengan foto orang lainnya [15]. Pendekatan lain untuk deteksi multipel fitur tanpa melalui proses pengurangan modalitas, dalam hal ini adalah penyamaan modalitas melalui

eigentransform adalah metode Active Shape Model (ASM). Banyak sekali penelitian menggunakan ASM yang telah dilakukan oleh peneliti, misalnya untuk keperluan Vertebral Fracture Detection [1824], Face Image Interpretation [6,11], dan Model Building [12-15]. Pada ASM, perubahan model hanya dapat diperolehkan dari variasi yang ada pada data pelatihan. Semua perubahan yang berada diluar himpunan data pelatihan tidak dicover oleh model. Inisial shape akan memberikan efek pada hasil akhir. Jika inisial shape sesuai, maka akan memberikan hasil yang benar. Jika tidak maka akan memberikan hasil yang tidak memuaskan. Lebih dari itu, ASM hanya menggunakan data disekitar landmark dan tidak memanfaatkan semua informasi tingkat keabuan yang melintasi objek, meskipun batas model bergerak ke tempat dimana memiliki banyak informasi batas objek [25,26, 27].

(a)

(b)

(c)

(d)

Gambar (1). Contoh Transformasi Foto Ke Sketsa. (a) Foto Asli. (b) Rekonstruksi Foto. (c) Rekonstruksi Sketsa. (d) Sketsa Asli. B1-10


Penulis mengusulkan sebuah pendekatan baru untuk mengekstraksi multiple fitur sketsa wajah halftone berdasarkan gradien garis maksimal tanpa melalui proses transformasi citra foto menjadi sketsa. Metode yang penulis usulkan merupakan formulasi baru yang mengacu pada metode active shape model (ASM). Penulis mengusulkan metode untuk menentukan arah gerakan terbaik dari seluruh shape meskipun arah gerakannya tidak ada pada data pelatihan, berdasarkan nilai total gradien garis maksimal, kemudian menggerakkan shape sesuai nilai pergeseran, skala dan perputaran yang telah ditemukan. 2. Active Shape Model (ASM) ASM adalah teknik permodelan shape deformable yang secara mendasar digunakan untuk pemisahan objek dalam suatu citra. ASM merepresentasikan parametric deformable model, dimana model statistik variasi shape global dari himpunan data pelatihan. Model tersebut disebut Point Distribution Model (PDM). ASM dibangun dari dua stage. Pertama, model profil untuk masingmasing landmark, yang menggambarkan karakteristik dari citra sekitar landmark mealalui proses pelatihan. Kedua, model shape mendifinisikan posisi relatif yang diijinkan dari landmark. Selama proses pencarian, model shape menyesuaikan terhadap model yang diharapkan malalui model profil dari shape yang ada. Hal ini dibutuhkan karena profil mencocokkan pada masing-masing landmark. Referensi shape dapat direpresentasikan sebagai polygon n-point dalam koordinat citra seperti pada persamaan (1).

B1-11

b = P T ( x − x)

(4)

Pada pencarian citra, estimasi awal shape diaplikasikan secara manual terhadap citra yang tidak diketahui. Inisial shape seharusnya mendekati tepi objek yang tidak diketahui [26]. Konsep ASM secara detil dapat dibaca pada “On Properties of Active Shape Models” [26]. 3. Proposed Method Misalkan diberikan citra training I(x,y) dan jumlah fitur yang akan diekstrak adalah k, masingmasing fitur adalah Fj, dimana j=1,2, . . .k. maka, fitur keseluruhan dari citra data pelatihan dapat dimodelkan menggunakan Persamaan (5) k

X = F1 U F2 U . . . U Fk = U F j

(5)

j =1

~

X = ( x1 , y1 , . . . . .x n , y n )

(1) Gambar 2. Shape Model dari data pelatihan

Untuk mengukur variasi referensi shape yang ~

benar, X ditransformasi kedalam frame yang ternormalisasi dari referensi terhadap parameter pose, yaitu translasi (ti), skala (sx, sy), dan rotasi (φ) [26,27] menggunakan persamaan (2)

Jumlah landmark pada masing-masing fitur tidak sama. Jika jumlah landmark secara keseluruhan pada setiap citra pelatihan adalah n, maka landmark data pelatihan dapat dimodelkan menjadi Xj ={(x1,y1), (x2,y2), . . , (xn,yn)}

(6)

~

X i = M (φ i , s i )[ X ] + t i

(2)

Proses tersebut dilakukan menggunakan analisa Procrustes. Untuk mengurangi dimensi, maka dapat diterapkan Principal Component Analysis (PCA). Nilai shape dapat diturunkan melalui pembentukan rata-rata shape menggunakan kombinasi linier dari eigenvectors (P). Model tersebut dapat dituliskan menggunakan persamaan (3)

x = x + Pb

(3)

Pada Gambar 2 merupakan contoh shape model yang dibentuk oleh landmark pada masing-masing data citra pelatihan. 3.1. Training Misalkan diberikan citra training I(x,y), ∃ x,y yang merupakan landmark data training dan x,y ∈X, maka landmark fitur data pelatihan dapat dihitung nilai rata-ratanya

xi =

( xi ,1 + xi , 2 + xi ,3 + ...... + xi ,n ) n n

Dan nilai b dapat diekspreseikan dalam bentuk persamaan (4)

∑x =

j =1

n

i, j

(7)


( y i ,1 + y i , 2 + y i ,3 + ...... + y i ,n )

yi =

n

Sehingga total variansi dari landmark x dan y dapat dengan menjumlahkan pusat masa keseluruhan citra

(8)

n

∑ yi, j j =1

=

B1-12

n

σxi, j = σxi, j + xv i

(17)

σyi, j = σy i, j + yvi

(18)

i=1..m, dimana m adalah jumlah data pelatihan dan j=1..n, dimana n adalah jumlah landmark pada tiap citra pelatihan. Sehingga rata-rata landmark data pelatihan dapat dimodelkan dalam bentuk vektor.

Dan rata-rata variansi dari landmark x dan y dapat dihitung menjadi

σ x j = σx j /n

(19)

( x, y ) = {( x1 , y1 ), ( x 2 , y 2 ),.., ( x m , y m )}

σ y j = σy j /n

(20)

(9)

Nilai rata-rata x dan y untuk seluruh data pelatihan dapat dihitung

X =

( x1,1 + x1, 2 + .... + x m, n −1 + x m, n ) m*n m

∑∑ x = Y=

(10)

n

i =1 j =1

i, j

m*n ( y1,1 + y1, 2 + .... + y m , n −1 + y m ,n ) m*n m

(11)

n

∑∑ yi , j =

i =1 j =1

m*n

Berdasarkan hasil perhitungan dari persamaan (7) dan (8)

∀ xi dan y i dimana i ∈ 1 .. m , maka

perbedaan deviasi minumum adalah : ∆σ x =

rata-rata

max ( x i ) − min ( x i ) 2

maksimum

dan

(12)

max( y i ) − min( y i ) (13) 2 Dan pusat masa untuk setiap landmark data pelatihan dalam setiap citra merupakan hasil pengurangan data posisi semula terhadap nilai rata-rata pada masing-masing citra. ∆σ y =

xvi = xi , j − xi

(14)

yvi = yi , j − yi

(15)

Sedangkan perbedaan rata-rata deviasi variansi x dan y untuk setiap data citra pelatihan merupakan nilai tengah antara nilai maksimum dan nilai minimum dari pusat masa ( σxMax j -σ xMin j ) (21) ∆δx j = 2 (σ yMax j -σ yMin j ) (22) ∆δy j = 2 Keluaran data training akan dipakai untuk proses inisialisasi landmark pada masing-masing shape dan proses deteksi fitur. Untuk proses inisialisasi landmark dibutuhkan persamaan (10), (11), (19) dan (20). Sedangkan untuk proses deteksi fitur dibutuhkan persamaan (10), (11), (12), (13), (19), (20), (21) dan (22). 3.2. Pembentukan Indikator Tepi Citra Perubahan intensitas yang besar pada jarak yang dekat dapat dipandang sebagai fungsi yang memiliki kemiringan besar. Kemiringan fungsi dapat dimodelkan menggunakan turunan kedua pada persamaan (23)

∂2 f ∂2 f + (23) ∂x 2 ∂y 2 Dengan menggunakan difinisi backward difference approximation pada persamaan (24) dan (25) G = ∇2 f =

∂f ( x, y ) f ( x, y ) − f ( x − ∆x, y ) = ∆x ∂x ∂f ( x, y ) f ( x, y ) − f ( x, y − ∆y ) = ∂x ∆y

(24) (25)

Nilai minimum dan maksimum ∀x dan ∀y dari pusat masa, masing-masing adalah σxMin, σxMax, σyMin, dan σyMax

maka dengan mensubstitusikan persamaan (24) dan (25) ke (23) dan ∆x=∆y=1, maka persamaan (23) dapat dituliskan menjadi persamaan (26)

σxMin j = min( xv i , j )

G = ∇ 2 f = f ( x, y − 1) + f ( x − 1, y ) − 4 f ( x, y ) +

σxMax j = max( xv i , j ) σyMin j = min( yv i , j ) σyMax j = max( yv i , j )

f ( x + 1, y ) + f ( x, y + 1) (16)

(26) Persamaan (26) digunakan sebagai mask matrik yang dapat membentuk indikator tepi citra sebelum dideteksi fiturnya. Gambar 3 merupakan contoh


sketsa halftone, gradien dari sketsa dan quiver dari gradien.

(a) (b) (c) Gambar 3. (a) Sketsa Wajah Halftone (b). Gradien (c). Quiver dari Gradien Sketsa Wajah 3.3. Inisialisasi landmark pada shape. Inisialisasi landmark pada shape dapat diestimasi sebelum digerakkan, penulis mengusulkan inisialisasi landmark shape dihitung berdasarkan rata-rata variansi landmark tiap citra data pelatihan dan rata-rata variansi landmark shape secara keseluruhan. Inisialisasi landmark shape dapat dimodelkan menggunakan persamaan (27) dan (28).

X j = X + σx j

(27)

Y j = Y + σy j

(28)

B1-13

3.4.1. Pergerakan shape secara simultan Pada proses ini, semua shape diperlakukan sebagai satu kesatuan. Pergerakan shape dipengaruhi oleh jumlah landmark setiap citra pelatihan, rata-rata x dan y untuk semua citra pelatihan, perbedaan deviasi rata-rata maksimum dan minumum, gradien data input, rata-rata variansi dari semua citra pelatihan, rata-rata deviasi variansi semua citra pelatihan dan gradient garis dari citra yang akan dideteksi fiturnya. Untuk setiap inisialisasi landmark bergerak menggunakan persamaan (42) berdasarkan nilai maksimal gradien garis. Untuk setiap pasangan data pelatihan Xi(xi,yi) dilakukan proses rotasi, penskalaan dan translasi. Jika suatu koordinat (x,y) ditranslasi masing-masing sebesar tx dan ty, menghasilkan titik koordinat baru (x’,y’).

x' = x + t x

(29)

y' = y + t y

(30)

~ t x  x  x' Jika X =  , T =   dan X =   (31)  y  y ' t y 

maka persamaan (29) dan (30) dapat dinyatakan dalam bentuk ~

X = X +T

(32)

Jika suatu koordinat (x,y) diskala sebesar sx dan sy menghasilkan koordinat baru (x’,y’) dapat dimodelkan dalam bentuk

(a) (b) (c) Gambar 4. (a). Model Distribusi Titik. (b). Pusat dari Model Distribusi Titik (c). Inisialisasi Shape Model j=1 ..n, n adalah jumlah landmark tiap citra pelatihan. Model persamaan tersebut merupakan justifikasi dari seluruh data pelatihan dengan mempertimbangkan rata-rata variansi seluruh landmark terhadap rata-rata nilai x dan y, sehingga landmark awal dari proses pencarian dapat mendekati fitur yang akan dideteksi. Point distribution model untuk data pelatihan, titik tengah dan inisialisasi shape model dapat dilihat pada Gambar 4.

3.4. Deteksi Fitur Proses deteksi fitur merupakan proses untuk mencari landmark fitur yang ada pada sketsa wajah. Pada penelitian ini fitur yang akan dideteksi adalah face curvature, left eyebrow, right eyebrow, left eye, right eye, nose dan lip.

x' = x.s x

(33)

y ' = y.s y

(34)

Persamaan (33) dan (34) dapat ditulis dalam bentuk persamaan

 x'  s x  y ' =  0   

0   x . s y   y 

(35)

atau dapat dimodelkan menggunakan ~

X = S.X

(36)

Untuk koordinat (x,y) diputar sebesar φ, maka akan menghasilkan koordinat baru (x’,y’) yang dapat dimodelkan menggunakan persamaan

x' = x cos φ − y sin φ

(37)

y ' = x sin φ + y cos φ

(38)

Persamaan (37) dan (38) dapat dimodelkan dalam bentuk persamaan


 x' cos φ  =  y '  sin φ

− sin φ   x    cos φ   y 

d

G ( x, y ) =

~

(x j , y j )

(47) d Hasil rata-rata gradien dievaluasi kembali menggunakan persamaan (48) berdasarkan nilai n yang dihasilkan pada persamaan (43)

n < d − 1, G ( x, y ) * (d − 1) /(d − 1 + β ) (48) LG ( x, y ) =  n ≥ d − 1, G ( x, y ) *1

− sin φ   cos φ 

(41)

Translasi, penskalaan dan rotasi dapat digabungkan dalam satu persamaan yang dapat modelkan dalam bentuk persamaan (42)

T (t x , t y ).R( x c , y c , φ ).S ( xφ , y c , s x , s y ) =  s x cos φ  s sin φ  x  0

j

j =1

(40)

dimana

cos φ R=  sin φ

∑G

(39)

Atau dapat dituliskan menggunakan persamaan

X = R. X

B1-14

− s y sin φ s y cos φ 0

x c (1 − s x cos φ ) + y c s y sin φ + t x  y c (1 − s y cos φ ) + x c s x sin φ + t y   1 (42)

Persamaan (42) merupakan bagian dari Affine Transformation yang disebut dengan Similarity Transformation. 3.4.2. Gradien Garis. Hasil persamaan (42) berupa sejumlah n pasangan landmark digunakan untuk menentukan nilai total gradien garis antara landmark ke i dengan landmark ke i+1 dimana 1≤i
 y1 − y 2 , if y1 − y 2 > x1 − x 2 n=  x1 − x 2 , if y1 − y 2 ≤ x1 − x 2

(43)

Selanjutnya adalah menghitung jarak antara dua landmark d menggunakan persamaan (44) yang akan dipakai untuk menentukan jumlah iterasi pada perhitungan gradien disepanjang garis.

d = ( x 2 − x1 ) 2 + ( y 2 − y 1 ) 2

(44)

Rata-rata gradient disepanjang garis dapat dihitung menggunakan persamaan

y j = y1 + j / d * ( y 2 − y1 )

(45)

x j = x1 + j / d * ( x 2 − x1 )

(46)

Hasil perhitungan menggunakan persamaan (48) untuk setiap pergeseran, penskalaan dan rotasi akan dibandingkan setiap iterasinya. Jika gradien garis maksimal berada pada landmark ke i, maka nilai dari rata-rata pergeseran, skala dan sudut rotasi diupdate menggunakan persamaan (49)

x New ← tx y New ← ty SxMax ← Sx

(49)

SyMax ← Sy

φMax ← φ 3.4.3. Ekstraksi Fitur Hasil deteksi menggunakan 7 shape dengan 38 landmark dapat digunakan untuk mendiskripsikan 26 ciri-ciri objek secara geometris. Untuk mendiskripsikan ciri objek dapat dilihat pada Gambar 6, diantaranya adalah jarak antara landmark 10 dengan 13, 14 dengan 17, 13 dengan 14, 10 dengan 18, 13 dengan 21, 14 dengan 23, 17 dengan 26, 18 dengan 21, 23 dengan 26, 21 dengan 23, 28 dengan 32, 29 dengan 31, 30 dengan 34, 23 dengan 32, 21 dengan 28, 26 dengan 31, 18 29, 26 dengan 35, 18 dengan 33, 26 dengan 5, 18 dengan 5, 33 dengan 35, 34 dengan 37, 37 dengan 5, 29 dengan 5, 31 dengan 5, dan 29 dengan 31. Untuk menghitung jarak antar titik menggunakan formula euclidian distance.

D = ( xi +1 − xi ) 2 + ( y i +1 − y i ) 2

(50)

4. Hasil Eksperimen Data yang dipakai untuk pelatihan pada penelitian ini adalah citra foto dalam bentuk kebuan yang berukuran 150x110 sebanyak 50 orang. Dari 50 orang, 13 diantaranya adalah laki-laki dan sisanya adalah perempuan. Sedangkan yang dipakai untuk data training adalah pose normal, senyum terbuka (Open Smile) dan tertutup (Close Smile). Data uji adalah citra hasil sketsa yang dibuat oleh sketcher model halftone. Pada percobaan ini, ada 7 fitur yang akan dideteksi, diantarnya adalah face curvature, left eyebrow, Right eyebrow, left eye, right eye, nose, dan lip. Masing-masing fitur diberi landmark sebanyak 9, 4, 4, 5, 5, 5 dan 6. Jadi total jumlah landmark adalah sebanyak 38.


hidung, sedangkan tingkat kesalahan terletak pada fitur alis kiri dan mata kiri.

Gambar 5. Distribusi Landmark dari Citra Data Pelatihan

Gambar 6. Contoh Data Pelatihan yang Telah Ditandai Landmark

Landmark pada masing-masing fitur dapat dilihat pada Gambar 5. Pada Gambar 6 merupakan contoh data pelatihan sebanyak 6 orang yang telah diberikan landmark secara manual pada masingmasing fitur. 4.1. Hasil Elsperimen Sketsa Wajah Halftone Sketsa wajah Halftone telah dibuat sebanyak 50 dalam bentuk front view. Gambar 8 merupakan contoh hasil percobaaan untuk 4 orang. Baris ke 1 merupakan inisialisasi shape dengan polygon warna merah dan landmark berwarna biru, terlihat bahwa inisialisasi untuk semua citra adalah sama, namun karena posisi fitur sketsa wajah masing-masing berbeda, maka lokasi inisialisasi shape ada yang dibawah fitur, diatas fitur atau disamping fitur. Baris ke 2 merupakan hasil deteksi dengan polygon warna hijau dan landmark warna merah, terlihat bahwa pada baris 2 semua fitur terdeteksi dengan benar, kecuali pada kolom 1 dan 4 landmark 34 sampai dengan 38 pada fitur lip masih kurang tepat. Dari 50 halftone face sketch yang diuji, prosentase kesalahan untuk masing-masing fitur dapat dilihat pada Tebel 1. Dari tabel 1 terlihat bahwa tingkat kesalahan terbesar terletak pada fitur

B1-15 terkecil

Gambar 7. Hasil Eksperimen Menggunakan Sketsa Wajah Halfton. Tabel 1. Prosentase Kesalahan Deteksi Multipel Fitur Pada Masing-masing Shape Sketsa Wajah Halftone Number Number Of Error Feature Of Landmarks (%) Errors face curvature 99 450 22,00% left eyebrow 4 200 2,00% right eyebrow 24 200 12,00% left eye 5 250 2,00% right eye 8 250 3,20% nose 68 250 27,20% lip 68 300 22,67% Error 14,53% 4.2. Ekstraksi Fitur Hasil Deteksi Hasil deteksi fitur berupa posisi landmark dapat digunakan untuk mendiskripsikan objek secara geometris. Berikut ini merupakan grafik diskripsi objek dari 50 sampel yang telah diujicoba menggunakan 27 ciri seperti yang telah dijelaskan pada bagian 3.4.3.

Gambar 8. Diskripsi Geometris dari Citra Wajah Halftone Berdasarkan Gambar 8, maka dapat dilihat bahwa untuk setiap diskripsi fitur, mempunyai kemiripan,


sesangkan untuk antar fitur terlihat jelas perbedaanya. Diskripsi fitur tersebut dapat digunakan sebagai ciri dari sketsa wajah. 4.3. Diskusi dan Penelitian Selanjutnya Dengan memperhatikan Tabel 1, maka terlihat kesalahan terbesar terletak pada fitur hidung, hal ini disebabkan beberapa hal. Pertama, nilai gradien disekitar hidung lebih besar dibandingkan fitur hidung sendiri. Sehingga landmark pada hidung justru menjauhi hidung dan mendekati bibir atau kumis. Kedua, karena tidak paramater yang menjaga agar jarak antar fitur dapat dikontrol. Pada penelitian selanjutnya perlu dilakukan perbaikan algoritma yang dapat menggerakkan landmark secara simultan pada setiap shape atau dengan menggerakkkan kembali shape secara simultan berdasarkan hasil yang telah diperoleh sebelumnya. Perlu diujicoba menggunakan sketsa wajah hatching. Kesimpulan a. Meskipun antara data pelatihan dan data tes mempunyai modality yang berbeda, namun fitur sketsa wajah masih dapat dideteksi dengan tingkat akurasi sebesar 84.47% untuk halftone face sketch tanpa harus melalui proses transformasi citra foto ke citra sketsa b. Diskripsi geometris dari masing-masing objek untuk setiap fitur mempunyai kemiripan. Ucapan Terimakasih Terimakasih kepada DP2M Dikti yang telah mendukung penelitian kami, melalui dana hibah Disertasi Tahun Anggaran 2009.

[5].

[6].

[7].

[8].

[9].

[10].

[11].

[12]. References [1]. Muntasa, A., Hariadi, M., Hery Purnomo, M., (2008b), "Maximum Feature Value Selection Of Nonlinear Function Based On Kernel Pca For Face Recognition", th Proceeding of The 4 Conferrence On Information & Communication Technology and Systems, Surabaya, Indonesia, pp 397402. [2]. Muntasa, A., Hariadi, M., Hery Purnomo, M., (2008d), "Automatic Feature Extraction Based On Two Dimensional Discrete Sinus Transform Segmentation For Face Recognition", Penelitian dan Pengembangan Telekomunikasi Journal, Vol 13, no. 1, pp 611. [3]. Lu J., Plataniotis K.N. , and Venetsanopoulos A.N., (2003), “Face Recognition Using Kernel Direct Discriminant Analysis Algorithms”, IEEE Trans. Neural Networks, vol. 14, no. 1, pp. 117-126. [4]. Su, H., Feng D., and Zhao R.-C. 2002 , “Face Recognition Using Multi-feature and Radial Basis Function Network”, Proc. of the Pan-Sydney Area Workshop on Visual

[13].

[14].

[15].

[16].

B1-16 Information Processing, Sydney, Australia, pp. 183-189. Xiaofei He, Shuicheng Yan, Yuxiao Hu, Partha Niyogi, and Hong-Jiang Zhang, (2005), "Face Recognition Using Laplacianfaces", Ieee Transactions On Pattern Analysis And Machine Intelligence, VOL. 27, NO. 3 pp. 328-340. D. Cristinacce and T.F. Cootes, (2003), "Facial Feature Detection using ADABOOST with Shape Constraints", Proc.BMVC, Vol.1,pp.231-240. D. Cristinacce, T.F. Cootes and I. Scott, (2004), "A Multistage Approach to Facial Feature Detection", Proc. British Machine Vision Conference, Vol.1, pp.277-286. D. Cristinacce and T.F. Cootes, (2003), "A Comparison of two Real-Time Face Detection Methods" Proc. 4th IEEE International Workshop on Performance Evaluation of Tracking and Surveillance, pp 1-8, Graz, Austria. D. Cristinacce and T.F. Cootes, (2006), "Facial Feature Detection and Tracking with Automatic Template Selection", Proc. 7th IEEE International Conference on Automatic Face and Gesture Recognition, pp. 429-434. D. Cristinacce and T.F.Cootes, (2006), "Feature Detection and Tracking with Constrained Local Models", Proc. British Machine Vision Conference, Vol. 3, pp.929938. D. Cristinacce and T.F. Cootes, (2007), "Boosted Active Shape Models", Proc. British Machine Vision Conference, Vol. 2, pp.880889. T.F. Cootes, C.J. Twining and C.J. Taylor, (2004), "Diffeomorphic Statistical Shape Models", Proc. British Machine Vision Conference, Vol.1, pp.447-456. T.F. Cootes, C.J. Twining, V.Petrovic, R.Schestowitz and C.J. Taylor, (2005), "Groupwise Construction of Appearance Models using Piece-wise Affine Deformations", Proc. British Machine Vision Conference, vol. 2, pp.879-888. C.J.Twining, T.F. Cootes, S. Marsland, V.Petrovic, R. Schestowitz and C.J.Taylor, (2005), "A Unified Information-Theoretic Approach to Groupwise Non-rigid Registration and Model Building", Proc. Information Processing in Medical Imaging, pp.1-14. Xiaoou Tang and Xiaogang Wang (2003), “Face Sketch Synthesis and Recognition”, Proceedings of the Ninth IEEE International Conference on Computer Vision (ICCV) 2 Volume Set 0-7695-1950-4. Xiaoou Tang and Xiaogang Wang (2004), “Face Sketch Recognition”, IEEE Transactions on Circuits and Systems for Video Technology, Vol. 14, No. 1, pp 50-57.


[17]. Finch Christopher, (1995), "The Art of Walt Distney", New York : The Walt Distney Company. [18]. M.G. Roberts, T.F. Cootes and J.E. Adams, (2003), "Linking Sequences of Active Appearance Sub-Models via Constraints: an Application in Automated Vertebral Morphometry", Proc.BMVC, Vol.1,pp.349358. [19]. M.G. Roberts, T.F. Cootes and J.E. Adams, (2004), "Vertebral Shape: Automatic measurement by MXA using overlapping statistical models of appearance", Proc of UK Radiological Congress, Publisher British Institute of Radiology pp 34. [20]. M.G. Roberts, T.F. Cootes and J.E. Adams, (2005), “Vertebral shape: Automatic Measurement with dynamically sequenced active appearance models”. Proc. MICCAI, Vol. 2, pp.733-740. [21]. M. G. Roberts, T. F. Cootes and J. E. Adams, (2006), "Automatic segmentation of lumbar vertebrae on digitised radiographs using linked active appearance models", Proc. Medical Image Understanding and Analysis, Vol. 2, pp.120-124. [22]. M.G. Roberts, T.F. Cootes and J.E. Adams, (2007) "Vertebral Morphometry: Semiautomatic Determination of Detailed Vertebral Shape from DXA Images using Active Appearance Models", Investigative Radiology, Vol.41, No.12,pp.849-859 [23]. M.G.Roberts, T.F. Cootes and J.E.Adams, (2007), "Robust Active Appearance Models with Iteratively Rescaled Kernels", Proc. British Machine Vision Conference, Vol. 1, pp.302-311. [24]. M.Roberts, T.F.Cootes, E. Pacheca and J.Adams, (2007), "Quantitative vertebral fracture detection on DXA images using shape and appearance models." Academic Radiology, 14(10) pp.1166-78. [25]. H.H.Thodberg and A. Rosholm, (2003), "Application of the Active Shape Model in a commercial medical device for bone densitometry", Image and Vision Computing, Volume 21, Number 13, pp.1155-1161 [26]. M.B. Stegmann, R. Fisker and B.K.Ersball, (2000), “On Properties of Active Shape Models”, Technical Report of Technical University of Denmark, IMM-REP12. [27]. T.F.Cootes, G.Edwards and C.J.Taylor, (1999), "Comparing Active Shape Models with Active Appearance Models", Proc. 10th British Machine Vision Conference(BMVC99).

B1-17

Pengembangan Active Shape Model Untuk Ekstraksi Multipel Fitur Sketsa Wajah

Recommend Documents